水果采摘机器人视觉系统的目标提取

在田间对作物的果实图像进行实时、准确地目标识别提取，是采摘机器人视觉系统的关键技术，而目标提取的实质是图像分割。大部分水(蔬)果处于采摘期时，表面颜色与背景颜色存在较大差异。而同一品种果实表面颜色相近，体现为在色彩空间果实表面颜色和背景颜色存在着不同的分布特性。根据这一特性，提出了一种基于色彩空间参照表的适用于水果采摘机器人视觉系统果实目标提取的图像分割算法。该算法先由果实样本图像建立色彩空间参照表，再根据色彩空间参照表采用一种类似于“卷积”的方法进行图像分割。与现有其他方法比较，本方法基于彩色的信息处理，可将背景除去得更干净；对背景不做分割处理、无复杂运算，有利于机器人实时图像处理。采用该算法分别对草莓、橙子、西红柿的图像在L^*n^*6^*，Hsv，YCbCr色彩模型下进行了实验，结果显示该算法在这些色彩模型下均可取得理想的图像分割效果。     

基于可见光谱色彩指标Otsu 法的水稻冠层图像分割

水稻冠层数字图像分析技术在水稻生长监测、氮营养诊断及产量预测上具有应用潜力,而水稻像元精确分割、提取是水稻冠层数字图像分析结果准确、稳定、可靠的前提。最大类间方差法(Otsu法)具备分割质量稳定、自适应强的特性,分割效果较好,是一种常用的阈值分割方法。通过提取计算水稻冠层图像9种图像色彩指标R、G、B、CIEL*a*b*色彩空间的L*、a*、b*分量、HSV色彩空间的H分量、绿度叶片指数(GLD)以及植被指数(VIGreen),并以各种图像色彩指标的Otsu法对水稻冠层图像进行分割,比较其图像分割效果。结果表明,水稻和土壤像元的a*、b*、GLD、VIGreen色彩指标双峰性明显,且重叠性小,可作为分割水稻与土壤背景的候选图像色彩指标;基于a*、GLD、VIGreen色彩指标的Otsu法的分割精度较高,且基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低,其次是基于VIGreen色彩指标的Otsu法;基于CIEL*a*b*色彩空间的a*色彩指标是Otsu法的水稻冠层图像分割中较优的图像色彩指标。     

基于图像增强和α角度模型的K均值小麦冠层分割算法的改进

[目的]本文旨在克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]设计了一种结合脉冲耦合神经网络(pulse coupled neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类分割处理。[结果]拔节前后光照强度不一、光照不均的冬小麦冠层图像的分割试验结果表明,该算法可一定程度避免基于L*a*b*颜色空间α角度分量K均值聚类的过分割现象;改善基于HSI空间H分量K均值聚类的欠分割缺陷,且对光斑、阴影遮挡、反光突出的图像分割更完整准确。[结论]本算法可为大田复杂背景下光照多变的作物冠层图像分割提供参考方法。     

混合颜色特征下番茄叶霉病病斑双层K-means聚类分割方法

提出了混合颜色特征下双层K-means聚类分割方法,首先在I分量将图像像素采用K-means聚类分割方法聚为4类;取聚类中心最大的2种像素的a*b*分量,进行第2次K-means聚类,得到病斑图像。对采集的21幅病害图片的试验结果表明,该方法分割结果的平均重合系数为97.53%,平均假阳性率为1.22%,平均假阴性率为3.52%。该研究可为进一步病害特征提取识别与病害程度诊断研究提供技术参考。     

基于颜色分量与直方图的玉米苗期背景分割方法研究

对土壤背景进行有效分割是玉米苗期田间杂草识别的前提和基础。本研究利用颜色分量G-R和G-B与灰度直方图来实现玉米苗期图像与背景图像的分割,解决了玉米苗期田间杂草识别中受影响及环境适应性差等问题。通过对不同环境下苗期玉米图像的植被颜色和背景颜色分量的统计分析表明,采用G-R和G-B双阈值颜色特征分割,进行土壤背景分离取得了很好的效果。     

基于机器视觉的苹果果袋检测方法

针对机械手摘除苹果果袋时的图像识别问题,提出了一种通过转换颜色空间的分割算法:将RGB颜色空间的图像转换到L*a*b*颜色空间,进行自适应阈值分割、去噪、面积提取等处理后,获得果袋分割后的图像,并计算出果袋的重心坐标。实验结果表明,当果袋遮挡面积不大于果袋总面积的25%时,重心坐标水平方向误差≤10.5 mm,垂直方向误差≤8.8 mm,满足机械手进行果袋摘除的定位要求。利用该方法进行果袋图像分割可解决光照强度对图像检测影响的问题。     

基于多阈值算法的包装箱内香蕉区域的图像分割方法

采用基于阈值技术的自动分割算法实现香蕉包装箱图像的分割。在手动分割的区域内离散选取香蕉和背景区域的像素点,并分别提取RGB,HSV和CIE L*a*b*3个色彩空间内共计9个颜色特征值,通过统计分析确定使用3个分别来自B,L*和b*分量的阈值进行自动分割算法的设计。采用直观对比的方法进行定性评价,其结果显示,手动和自动分割区域的轮廓基本相似;采用面积比作为指标进行定量评价,其结果显示,该算法对10个测试样本的平均面积比为80%以上。测试结果表明,该自动分割算法对香蕉包装箱图像的总体分割效果良好,可以为香蕉催熟房实时品质监控系统的实现提供关键技术。     

基于K均值聚类和数学形态学的小麦彩色图像分割

对小麦植株图像进行分割,是将机器视觉技术应用到动态监测小麦生长状况的基础.采用K均值聚类和数学形态学相结合的方法进行分割,充分利用了小麦植株颜色和背景颜色的差异.首先根据图像色彩对图像进行聚类,然后对聚类后的图像进行形态学开运算,实现了小麦植株与背景的分离,并达到了较好的效果.     

一种基于K-means与Close-Form融合的树木图像提取方法

基于图像的树木自动提取是其种类、长势、形态等信息智能化判别的基础,如何实现树木的自动、准确、快速提取是具有实用性的科学问题。在自然场景中,由于图像元素多样、颜色差异大,树木自身存在不规则性,树木提取难度非常大。针对现有的图像分割与图像抠图法在树木提取过程中分别存在的误分割与过程复杂所导致的计算量大的问题,提出了一种基于K-means聚类算法优化Close-Form图像抠图的树木提取方法。在少量的标记下,依据颜色线性假设进行最小化代价函数计算,得到图像透明度;对透明度图像依次进行中值滤波、高斯滤波,得到透明度的去噪图像;对滤波后透明度与标准化的图像绿色分量组成二维空间进行K-means二聚类,实现背景与前景对象的准确判定,进而完成自然背景的树木图像提取。为了验证所提方法在不同场景和不同标记下的树木提取有效性,设计了基于K-means图像分割和传统Close-Form抠图方法的比较性试验。结果表明,基于K-means优化Close-Form的树木提取方法解决了传统Close-Form算法在少量标记下图像前景、背景估计不准确问题,克服了图像分割存在的误分类情况,实现了不同自然环境和多目标树木对象的提取。此方法具有对象提取稳定、计算时间快的优点,相对原Close-Form算法用时减少49.98%。     

自然环境下基于Lab空间的成熟苹果图像分割

为了提高自然环境下成熟苹果图像的分割质量,通过对自然环境成熟苹果颜色特征的分析,提出一种在Lab颜色空间的苹果图像分割算法。首先对图像进行均值滤波预处理以消除噪声的影响,然后把图像从RGB空间转换到Lab空间并提取a分量,最后进行K-means分割。结果表明,基于Lab空间中a分量的K-means分割能有效地把苹果从图像中提取出来。     

基于多颜色空间分割的温室环境视觉导航路径信息提取

针对温室小范围复杂作业环境中的农作机器人视觉导航路径信息的提取方法进行研究。该方法首先对红、绿、蓝(red、green、blue,简称RGB)颜色空间各分量算子重新组合比较,在HSI(hue-saturation-intensity)色彩空间对不同光照条件下各分量的均值和标准差进行比较,对图像的RGB空间的各分量作差得到(G-B)、(R-B)差值图像,再对G-B、R-B差值图像和H分量图像用最大类间方差法(OTSU)分别进行最优阈值分割,然后再合并、滤波,将植物从背景中分离,最后用优化后的Hough变换进行植物行中心线的提取从而确定导航路线。结果表明,该方法能去除杂草和降低光照条件的影响,很好地适应复杂的温室环境,能准确分割和提取农作物行中心线,算法简单,实时性、鲁棒性强。     

基于改进K-means算法的冬小麦覆盖度提取研究

为快速、精准地提取冬前分蘖期冬小麦覆盖度,提出了一种基于改进K-means算法的冬小麦覆盖度提取方法。首先将冬小麦图像转换到Lab色彩空间,其次利用蜉蝣算法（Mayfly Algorithm, MA）获取K-means最优初始聚类中心,并用马氏距离代替欧氏距离进行算法改进,最后利用分割得到的二值图像计算冬小麦覆盖度。结果显示,该方法的平均分割精度和平均处理时间分别为94.66%和2.03 s,与过绿指数（excess green,EXG）自适应阈值分割和基于粒子群优化算法（particle swarm optimization,PSO）的K-means(PSO-K-means)分割相比,分割精度分别提高了12.04%和4.18%,处理时间分别减少了2.26和2.94 s。该方法分割效果优于EXG和PSO-K-means分割方法,可用于提取冬小麦覆盖度。     

基于SLIC和多尺度显著性的红枣图像分割算法

针对自然光条件下具有复杂背景的红枣图像,提出了1种新的图像分割方法。首先,该方法用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对图像进行超像素分割,并进行迭代合并处理,从而得到不同尺度的图层;其次,利用图像局部对比度估计和区域位置估计来获取相应的显著性图;最后,用K-means算法得到红枣图像聚类分割结果。结果表明,该方法能有效去除图像的复杂背景,消除红枣上光斑的影响,准确地将红枣图像从背景中分割出来。     

支持向量机和最大类间方差法结合的水稻冠层图像分割方法

针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExGOTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex GOTSU方法的精确度显著受光强条件影响,随着光强强度的提高而显著降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于改进C-V模型的辣椒病斑图像分割

针对辣椒叶部常见病斑图像存在背景复杂且不易分割的问题,对传统的C-V模型进行改进,根据辣椒病斑图像的特征,首先对病斑图像的RGB颜色分量和通道权重系数进行加权处理,接着用差分图像能量进行计算处理,最后,通过水平集演化方程获得病斑的分割曲线。实验测试表明,经过改进的C-V模型对辣椒病斑图像分割的效果比传统C-V模型及K-means方法分割的效果和抗噪性好。     

基于Matlab7.0的大豆苗期土壤背景与杂草分割算法

解决大豆苗期图像中的土壤背景分割是大豆田间杂草识别的前提和基础.为了解决大豆苗期田间杂草识别中受光照影响及环境适应性差等问题,通过对400幅不同环境下苗期大豆图像的植被颜色和背景颜色分量的统计分析,得出用3基色红(R)绿(G)蓝(B)合成的同一像素点,绿色植被图像的颜色分量G值都大于R和B值,而背景则恰恰相反.研究表明,采用G-R和G-B双阈值颜色特征分割进行土壤背景分离取得了很好的效果,此方法较2G-R-B颜色特征分割法对绿色植物和土壤背景的分离更为有效,可广泛应用于处于各种农作物田间杂草识别及其它绿色植被分割中受光照变化影响较大的领域.     

基于H分量K-Means多种环境条件下谷子冠层图像提取

以谷子为研究对象,采集谷子阴天、背景复杂有阴影、光照不均、露水雨水反光4类环境条件下的冠层图像,分别采用超绿分割、Lab空间K均值聚类分割和基于H分量的K均值聚类分割3种算法进行冠层提取,探究不同条件下谷子冠层提取的最优方法。对于阴天和背景复杂有阴影的谷子冠层图像,3种算法均可以较完整地提取,分割准确率均达到93%以上;对于光照不均的图像,超绿分割效果最差,基于Lab空间和基于H分量下的K均值聚类分割效果相对优异,分割准确率分别为93%和96%;对于露水雨水反光的图像,基于H分量的K均值聚类分割准确率最高,达到97%。基于H分量的K均值聚类算法对4种不同环境条件下获取的谷子冠层图像分割效果均较理想,为后续谷子生长自动监测提供了一定的参考价值。     

基于多光谱图像的水稻穗颈瘟严重度识别研究

为实时获取作物病害程度信息,研究了水稻穗颈瘟的多图像分割方法,并利用分割结果来估测穗颈瘟的发病程度.由于图像中背景复杂,从获取的多光谱图像中提取IR、R、G分量,难以将水稻穗颈从背景中分割出来.采用IR-G和2IR-R-G分割方法将水稻穗预从图像中分离出来,31幅图像中水稻穗颈灰度值与病情指数呈极显著线性相关,由此建立了水稻穗颈瘟严重度的多光谱图像预测模型,实现了对水稻水稻穗颈瘟的快速、准确、非破坏性检测.     

基于多颜色空间的麦田监控图像分割技术研究

快速有效地对农作物图像(特别是大田监控图像)进行绿色植被分割,在图像处理技术在农业中的应用中具有重要意义。小麦是我国一个重要的粮食作物,小麦田中植物呈现绿色,与土壤背景颜色有明显的差异,合适的选取颜色空间可进行有效分割,进而计算特定时段麦田的植被覆盖度,长势等信息。本研究首先通过对常见颜色模型各单通道图像进行初步对比分析,选取HSV的H分量、YCb Cr的Cr分量、L*a*b*的a*分量、RGB颜色空间的G与R减运算量,通过2013年11月至2014年3月的大量小麦监控图像,人工选取34幅图像进行植被分割,并从结果数据中统计分析每种彩色分量的分割准确度和标准差。最终得出了在对麦田监控图像进行植被分割中,L*a*b*颜色模型的a*通道具有最准确和最稳定的结果:34幅不同时点的麦田监控图像,图像分割平均准确度近90%,分割准确度标准差在0.08以下。